词的相似性和类比任务

:label:sec_synonyms

在 :numref:sec_word2vec_pretraining中，我们在一个小的数据集上训练了一个word2vec模型，并使用它为一个输入词寻找语义相似的词。实际上，在大型语料库上预先训练的词向量可以应用于下游的自然语言处理任务，这将在后面的 :numref:chap_nlp_app中讨论。为了直观地演示大型语料库中预训练词向量的语义，让我们将预训练词向量应用到词的相似性和类比任务中。

```{.python .input} from d2l import mxnet as d2l from mxnet import np, npx import os

npx.set_np()

  2. ```{.python .input}
  3. #@tab pytorch
  4. from d2l import torch as d2l
  5. import torch
  6. from torch import nn
  7. import os

加载预训练词向量

以下列出维度为50、100和300的预训练GloVe嵌入，可从GloVe网站下载。预训练的fastText嵌入有多种语言。这里我们使用可以从fastText网站下载300维度的英文版本（“wiki.en”）。

```{.python .input}

@tab all

@save

d2l.DATA_HUB[‘glove.6b.50d’] = (d2l.DATA_URL + ‘glove.6B.50d.zip’, ‘0b8703943ccdb6eb788e6f091b8946e82231bc4d’)

@save

d2l.DATA_HUB[‘glove.6b.100d’] = (d2l.DATA_URL + ‘glove.6B.100d.zip’, ‘cd43bfb07e44e6f27cbcc7bc9ae3d80284fdaf5a’)

@save

d2l.DATA_HUB[‘glove.42b.300d’] = (d2l.DATA_URL + ‘glove.42B.300d.zip’, ‘b5116e234e9eb9076672cfeabf5469f3eec904fa’)

@save

d2l.DATA_HUB[‘wiki.en’] = (d2l.DATA_URL + ‘wiki.en.zip’, ‘c1816da3821ae9f43899be655002f6c723e91b88’)

  2. 为了加载这些预训练的GloVe和fastText嵌入，我们定义了以下`TokenEmbedding`类。
  4. ```{.python .input}
  5. #@tab all
  6. #@save
  7. class TokenEmbedding:
  8.     """GloVe嵌入"""
  9.     def __init__(self, embedding_name):
  10.         self.idx_to_token, self.idx_to_vec = self._load_embedding(
  11.             embedding_name)
  12.         self.unknown_idx = 0
  13.         self.token_to_idx = {token: idx for idx, token in
  14.                              enumerate(self.idx_to_token)}
  16.     def _load_embedding(self, embedding_name):
  17.         idx_to_token, idx_to_vec = ['<unk>'], []
  18.         data_dir = d2l.download_extract(embedding_name)
  19.         # GloVe网站：https://nlp.stanford.edu/projects/glove/
  20.         # fastText网站：https://fasttext.cc/
  21.         with open(os.path.join(data_dir, 'vec.txt'), 'r') as f:
  22.             for line in f:
  23.                 elems = line.rstrip().split(' ')
  24.                 token, elems = elems[0], [float(elem) for elem in elems[1:]]
  25.                 # 跳过标题信息，例如fastText中的首行
  26.                 if len(elems) > 1:
  27.                     idx_to_token.append(token)
  28.                     idx_to_vec.append(elems)
  29.         idx_to_vec = [[0] * len(idx_to_vec[0])] + idx_to_vec
  30.         return idx_to_token, d2l.tensor(idx_to_vec)
  32.     def __getitem__(self, tokens):
  33.         indices = [self.token_to_idx.get(token, self.unknown_idx)
  34.                    for token in tokens]
  35.         vecs = self.idx_to_vec[d2l.tensor(indices)]
  36.         return vecs
  38.     def __len__(self):
  39.         return len(self.idx_to_token)

下面我们加载50维GloVe嵌入（在维基百科的子集上预训练）。创建TokenEmbedding实例时，如果尚未下载指定的嵌入文件，则必须下载该文件。

```{.python .input}

@tab all

glove_6b50d = TokenEmbedding(‘glove.6b.50d’)

  2. 输出词表大小。词表包含400000个词（词元）和一个特殊的未知词元。
  4. ```{.python .input}
  5. #@tab all
  6. len(glove_6b50d)

我们可以得到词表中一个单词的索引，反之亦然。

```{.python .input}

@tab all

glove_6b50d.token_to_idx[‘beautiful’], glove_6b50d.idx_to_token[3367]

  2. ## 应用预训练词向量
  4. 使用加载的GloVe向量，我们将通过下面的词相似性和类比任务中来展示词向量的语义。
  6. ### 词相似度
  8. 与 :numref:`subsec_apply-word-embed`类似，为了根据词向量之间的余弦相似性为输入词查找语义相似的词，我们实现了以下`knn`（$k$近邻）函数。
  10. ```{.python .input}
  11. def knn(W, x, k):
  12.     # 增加1e-9以获得数值稳定性
  13.     cos = np.dot(W, x.reshape(-1,)) / (
  14.         np.sqrt(np.sum(W * W, axis=1) + 1e-9) * np.sqrt((x * x).sum()))
  15.     topk = npx.topk(cos, k=k, ret_typ='indices')
  16.     return topk, [cos[int(i)] for i in topk]

```{.python .input}

@tab pytorch

def knn(W, x, k):

  1. # 增加1e-9以获得数值稳定性
  2. cos = torch.mv(W, x.reshape(-1,)) / (
  3.     torch.sqrt(torch.sum(W * W, axis=1) + 1e-9) *
  4.     torch.sqrt((x * x).sum()))
  5. _, topk = torch.topk(cos, k=k)
  6. return topk, [cos[int(i)] for i in topk]
  2. 然后，我们使用`TokenEmbedding`的实例`embed`中预训练好的词向量来搜索相似的词。
  4. ```{.python .input}
  5. #@tab all
  6. def get_similar_tokens(query_token, k, embed):
  7.     topk, cos = knn(embed.idx_to_vec, embed[[query_token]], k + 1)
  8.     for i, c in zip(topk[1:], cos[1:]):  # 排除输入词
  9.         print(f'{embed.idx_to_token[int(i)]}：cosine相似度={float(c):.3f}')

glove_6b50d中预训练词向量的词表包含400000个词和一个特殊的未知词元。排除输入词和未知词元后，我们在词表中找到与“chip”一词语义最相似的三个词。

```{.python .input}

@tab all

get_similar_tokens(‘chip’, 3, glove_6b50d)

  2. 下面输出与“baby”和“beautiful”相似的词。
  4. ```{.python .input}
  5. #@tab all
  6. get_similar_tokens('baby', 3, glove_6b50d)

```{.python .input}

@tab all

get_similar_tokens(‘beautiful’, 3, glove_6b50d)

  2. ### 词类比
  4. 除了找到相似的词，我们还可以将词向量应用到词类比任务中。
  5. 例如，“man” : “woman” :: “son” : “daughter”是一个词的类比。
  6. “man”是对“woman”的类比，“son”是对“daughter”的类比。
  7. 具体来说，词类比任务可以定义为：
  8. 对于单词类比$a : b :: c : d$，给出前三个词$a$、$b$和$c$，找到$d$。
  9. 用$\text{vec}(w)$表示词$w$的向量，
  10. 为了完成这个类比，我们将找到一个词，
  11. 其向量与$\text{vec}(c)+\text{vec}(b)-\text{vec}(a)$的结果最相似。
  13. ```{.python .input}
  14. #@tab all
  15. def get_analogy(token_a, token_b, token_c, embed):
  16.     vecs = embed[[token_a, token_b, token_c]]
  17.     x = vecs[1] - vecs[0] + vecs[2]
  18.     topk, cos = knn(embed.idx_to_vec, x, 1)
  19.     return embed.idx_to_token[int(topk[0])]  # 删除未知词

让我们使用加载的词向量来验证“male-female”类比。

```{.python .input}

@tab all

get_analogy(‘man’, ‘woman’, ‘son’, glove_6b50d)

  2. 下面完成一个“首都-国家”的类比：
  3. “beijing” : “china” :: “tokyo” : “japan”。
  4. 这说明了预训练词向量中的语义。
  6. ```{.python .input}
  7. #@tab all
  8. get_analogy('beijing', 'china', 'tokyo', glove_6b50d)

另外，对于“bad” : “worst” :: “big” : “biggest”等“形容词-形容词最高级”的比喻，预训练词向量可以捕捉到句法信息。

```{.python .input}

@tab all

get_analogy(‘bad’, ‘worst’, ‘big’, glove_6b50d)

  2. 为了演示在预训练词向量中捕捉到的过去式概念，我们可以使用“现在式-过去式”的类比来测试句法：“do” : “did” :: “go” : “went”。
  4. ```{.python .input}
  5. #@tab all
  6. get_analogy('do', 'did', 'go', glove_6b50d)

小结

  • 在实践中，在大型语料库上预先练的词向量可以应用于下游的自然语言处理任务。
  • 预训练的词向量可以应用于词的相似性和类比任务。

练习

  1. 使用TokenEmbedding('wiki.en')测试fastText结果。
  2. 当词表非常大时，我们怎样才能更快地找到相似的词或完成一个词的类比呢？

:begin_tab:mxnet Discussions :end_tab:

:begin_tab:pytorch Discussions :end_tab: